Outlier Ventures: Thiết kế và tối ưu hóa mã thông báo dựa trên dữ liệu

Tiến sĩ Achim Struve｜Diễn giả‍‍‍‍‍

Sissi｜Biên soạn

Lưu ý của biên tập viên:

Trong một hệ sinh thái mã thông báo, đạt được sự phát triển bền vững là rất quan trọng. Video mới nhất từ Outlier Ventures cung cấp góc nhìn toàn diện về các vấn đề chính mà hệ sinh thái mã thông báo phải đối mặt, đồng thời đưa ra các giải pháp và công cụ thiết thực để giải quyết những thách thức này.

Video này nêu bật các nguyên tắc và phương pháp của Kỹ thuật mã thông báo, cung cấp một góc nhìn mới để lập kế hoạch và xây dựng hệ thống mã thông báo. Đồng thời, được bổ sung bởi một loạt công cụ thiết thực như công cụ mô phỏng dựa trên Agent, QTM, v.v., những công cụ này có thể cung cấp thông tin có giá trị ở các giai đoạn khác nhau để giúp dự án đưa ra quyết định sáng suốt. Với những công cụ hỗ trợ này, các công ty khởi nghiệp Web3 có cơ hội đạt được sự tăng trưởng lâu dài.

Video này từ Outmore Ventures mang đến cái nhìn sâu sắc mới để làm nổi bật vai trò quan trọng của kỹ thuật mã thông báo và các công cụ liên quan trong phản ứng của các nhóm dự án đối với sự thay đổi, chứng tỏ đây là vũ khí mạnh mẽ trong việc thích ứng với hệ sinh thái mã thông báo luôn thay đổi. Việc hình thành nhận thức này được hưởng lợi từ nghiên cứu chuyên sâu và thực hành trên hệ sinh thái mã thông báo, cho phép người tham gia hiểu rõ hơn về động lực của hệ sinh thái và đưa ra các quyết định sáng suốt và có tầm nhìn xa hơn. Sau đây là bản dịch và tổ chức nội dung video. Để biết thêm thông tin về kỹ thuật mã thông báo, vui lòng tham khảo nội dung trước đó của tài khoản chính thức này. ‍‍

Ba giai đoạn thiết kế và tối ưu hóa mã thông báo

Giai đoạn khám phá

Để xây dựng một hệ sinh thái mã thông báo thành công, các bước chính cần được thực hiện ở cấp độ vĩ mô của hệ sinh thái. Đầu tiên, vấn đề phải được xác định rõ ràng và nêu rõ những thách thức phải đối mặt. Thứ hai, dòng chảy giá trị giữa các bên liên quan cần được làm rõ để đảm bảo sự vững mạnh và cân bằng của hệ sinh thái. Đồng thời, tính hợp lý của toàn bộ hệ sinh thái và các mã thông báo của nó, bao gồm cả việc sử dụng hợp lý các mã thông báo, cần được thảo luận và xem xét kỹ lưỡng. Ngoài ra, việc lập kế hoạch cấp cao cũng không thể thiếu, bao gồm cách sử dụng hiệu quả các mã thông báo và thiết kế các giải pháp nội dung khác nhau. Tất cả các bước quan trọng này đều không thể thiếu để xây dựng một hệ sinh thái mã thông báo thành công.

giai đoạn thiết kế

Tham số hóa là một bước quan trọng khác trong việc xây dựng hệ sinh thái mã thông báo, bao gồm việc áp dụng các công cụ định lượng như bảng tính, công cụ mô phỏng như cadCAD, Token Spice, Machination, v.v. Những công cụ này có thể giúp mọi người có được các mô hình được xác thực và tối ưu hóa, tiến hành phân tích và dự báo rủi ro, đồng thời hiểu rõ hơn về xu hướng cung cấp và định giá mã thông báo. Những công cụ định lượng này giúp hiểu rõ hơn về hoạt động của hệ sinh thái để hỗ trợ thiết kế và tối ưu hóa hệ sinh thái.

Giai đoạn triển khai

Giai đoạn triển khai là rất quan trọng, nó đưa phân tích và thiết kế lý thuyết trước đó vào thực tế và thực sự triển khai hệ sinh thái trên chuỗi khối. Ở giai đoạn này, cần sử dụng nhiều công cụ khác nhau, bao gồm các ngôn ngữ lập trình khác nhau như Solidity, Rust, v.v. và các môi trường triển khai như Hardhat. Thông qua quá trình này, kết quả cuối cùng là mã thông báo hoặc sản phẩm thực tế của hệ sinh thái thực sự đi vào cuộc sống và hoạt động trên chuỗi khối.

Công cụ thiết kế mã thông báo

Trong ba giai đoạn khác nhau ở trên (khám phá, thiết kế và triển khai), chúng ta cần sử dụng một loạt công cụ và trọng tâm cũng như loại công cụ này sẽ khác nhau trong các lĩnh vực khác nhau. Nó không chỉ áp dụng cho lĩnh vực DeFi mà còn cho các dự án ứng dụng, cơ sở hạ tầng, trò chơi và các lĩnh vực khác.

Khi xem xét mức độ chi tiết, có hai quan điểm: Một quan điểm cho rằng chúng ta có thể xem xét hệ sinh thái từ quan điểm định tính, sử dụng các tiêu chuẩn thị trường là đủ và không yêu cầu bất kỳ mô phỏng nào. Một quan điểm khác cho rằng cần phải tạo ra một bản sao kỹ thuật số, mô phỏng 1:1 của toàn bộ hệ sinh thái, bởi vì nó liên quan đến rất nhiều rủi ro tài chính. Khi tiến độ đạt được hướng tới độ chính xác cao hơn và cường độ tài nguyên tăng lên, thì kiến thức lập trình cần thiết cũng tăng theo. Điều này cũng làm tăng nhu cầu đối với người dùng - họ cần có khả năng lập trình để xử lý các mô hình phức tạp hơn, điều này có thể ảnh hưởng đến tính thân thiện với người dùng. Do đó, để xây dựng các mô hình hệ sinh thái chi tiết hơn, cần có nhiều kiến thức lập trình hơn và hiểu biết tốt về toán học.

Trong hệ sinh thái mã thông báo, có nhiều công cụ khác nhau giúp chúng tôi hiểu và thiết kế hệ thống. Ở đầu bên trái của “Sơ đồ công cụ thiết kế mã thông báo” ở trên, có mô hình bảng tính và một số công cụ định tính như tuyên bố vấn đề, tuyên bố vấn đề của các bên liên quan, ánh xạ các bên liên quan và các luồng giá trị cụ thể. Chúng tôi thậm chí có thể tận dụng lý luận do AI điều khiển, chẳng hạn như sử dụng các mô hình máy học để phác thảo thiết kế mã thông báo đầu tiên. Và ở phần giữa của biểu đồ, chẳng hạn như QTM (Mô hình mã thông báo định lượng), mặc dù cũng là một mô hình bảng tính, nhưng nó bao gồm nhiều lĩnh vực khác nhau, không giới hạn ở DeFi. Phạm vi bao quát này có thể dẫn đến mất độ chính xác, nhưng nó giúp các công ty khởi nghiệp có được cái nhìn sâu sắc trực tiếp và hiểu biết ban đầu về hệ sinh thái mã thông báo của họ.

Ở phía bên trái của hình, có các công cụ mô phỏng như cadCAD, có thể thực hiện mô hình hóa 1:1 của hệ sinh thái trong một môi trường phức tạp. Nhìn chung, trong hệ sinh thái mã thông báo, việc chọn các công cụ và phương pháp phù hợp là rất quan trọng đối với sự thành công của một công ty khởi nghiệp. Các loại công cụ khác nhau có thể cung cấp thông tin có giá trị ở các giai đoạn khác nhau để giúp doanh nghiệp đưa ra quyết định sáng suốt và tạo điều kiện cho sự phát triển liên tục của hệ sinh thái.

Tổng quan về QTM

QTM là mô hình mã thông báo định lượng sử dụng thời gian mô phỏng cố định là 10 năm, với mỗi bước thời gian là một tháng, vì vậy nó giống mô hình mô phỏng vĩ mô hơn là mô hình có độ chính xác cao. Khi bắt đầu mỗi bước thời gian, mã thông báo sẽ được phát hành vào hệ sinh thái, do đó, có các mô-đun khuyến khích, mô-đun sở hữu mã thông báo, mô-đun airdrop, v.v. trong mô hình. Sau đó, các mã thông báo này sẽ được chuyển thành một số nhóm meta, từ đó lại diễn ra quá trình phân phối lại tiện ích tổng quát chi tiết hơn. Sau đó, xác định các khoản thanh toán phần thưởng, v.v. từ các công cụ tiện ích này. Ngoài ra còn có các khía cạnh kinh doanh ngoài chuỗi, cũng xem xét tình trạng tài chính chung của doanh nghiệp, chẳng hạn như phá hủy hoặc mua lại và cũng có thể đo lường mức độ chấp nhận của người dùng hoặc xác định mức độ chấp nhận của người dùng.

Tuy nhiên, cần nhấn mạnh rằng chất lượng đầu ra của mô hình này phụ thuộc vào chất lượng đầu vào. Do đó, trước khi sử dụng QTM, phải thực hiện nghiên cứu thị trường đầy đủ để có được thông tin đầu vào chính xác hơn và hiểu rõ hơn về những gì đang xảy ra. Bằng cách này, có thể thu được kết quả đầu ra gần với tình hình thực tế hơn. QTM được coi là một công cụ giáo dục dành cho các công ty khởi nghiệp ở giai đoạn đầu để giúp họ có được hiểu biết ban đầu về hệ sinh thái của mình, nhưng không nên rút ra lời khuyên tài chính nào từ đó cũng như không nên chỉ dựa vào kết quả.

phân tích dữ liệu

Tiếp theo, chúng ta sẽ xem xét các loại dữ liệu khác nhau có thể được trích xuất từ góc độ phân tích dữ liệu. Trước hết, bạn có thể quan sát sự phát triển của thị trường tổng thể từ góc độ thị trường vĩ mô, bao gồm thị trường DeFi và thị trường tiền điện tử. Sau đó, người ta có thể tập trung vào các số liệu của các vòng gây quỹ để hiểu dự án đang được tài trợ như thế nào, chẳng hạn như số tiền huy động được, định giá và doanh số cung cấp trong các vòng khác nhau. Thứ hai, mô hình hành vi của những người tham gia cũng có thể được nghiên cứu để hiểu rõ hơn về thói quen đầu tư của những người khác.

So với tài chính truyền thống, dữ liệu trên chuỗi khác biệt đáng kể, vì dữ liệu trên chuỗi được hiển thị công khai cho mọi người và có thể xem hầu hết mọi giao dịch trong hệ sinh thái. Từ đó, có thể nắm bắt được nhiều số liệu khác nhau như tăng trưởng người dùng, tổng giá trị bị khóa (TVL), khối lượng giao dịch, v.v. Thú vị hơn, người ta cũng có thể quan sát các cơ chế khuyến khích khác nhau ảnh hưởng như thế nào đến hoạt động của hệ sinh thái. Ngoài ra, các nền tảng truyền thông xã hội như Twitter, Reddit, Discord và Telegram đóng một vai trò quan trọng trong kinh tế mã thông báo và hiệu suất dự án.

Thông tin này là dữ liệu công khai và rất có giá trị nên được tận dụng để hiểu rõ hơn về các tham số hệ sinh thái và xác thực các mô hình của chúng tôi.

Dưới đây là một ví dụ mà chúng ta có thể xem dữ liệu tương tự như các sáng tạo được trao quyền. Mặc dù ví dụ này là một ví dụ nhỏ nhưng nhìn chung, có thể quan sát thời hạn trao quyền cho các nhóm bên liên quan khác nhau. Trong biểu đồ trên, bạn có thể thấy các giá trị tối thiểu, trung bình, trung bình và tối đa cho khoảng thời gian được trao quyền, đây là phân tích về thời gian được trao quyền cho tất cả các trường khác nhau. Ngoài ra, cùng một dữ liệu có thể được phân đoạn để phân biệt các lĩnh vực công nghiệp khác nhau. Theo cách này, có thể thấy rằng việc phân phối dữ liệu trong các lĩnh vực khác nhau có thể khác nhau rất nhiều. Mặc dù các giá trị này có thể không phải lúc nào cũng tối ưu, nhưng chúng cung cấp cho chúng ta một điểm khởi đầu.

Một ví dụ khác là về số dư lịch sử của nhóm mã thông báo. Lấy Maple Finance làm ví dụ, bạn có thể kiểm tra trạng thái của các mã thông báo gốc của nó, theo dõi tất cả các giao dịch trong toàn bộ hệ sinh thái và phân loại chúng thành các “nhóm mã thông báo” cụ thể, chẳng hạn như địa chỉ liên quan đến Maple, địa chỉ trao đổi tập trung và địa chỉ trao đổi phi tập trung, vân vân. Bằng cách này, chúng ta có thể xem xét sự cân bằng của từng bên liên quan và quan sát những gì đang xảy ra trên toàn hệ sinh thái.

Trong ví dụ này, có thể quan sát thấy rằng số dư của tất cả các địa chỉ Maple đã giảm cho đến giữa ngày 22 tháng 7, khi hợp đồng đặt cược được giới thiệu, khiến một lượng lớn nguồn cung cấp mã thông báo được phân bổ cho hợp đồng đặt cược. Chúng ta cũng có thể quan sát thấy rằng các VC tham gia vào kế hoạch đặt cược này, có thể được lấy trực tiếp từ biểu đồ. Ngoài ra, có thể quan sát số dư của sàn giao dịch thay đổi như thế nào theo thời gian, điều này rất hữu ích để hiểu những gì đang xảy ra trong hệ sinh thái. Cuối cùng, cũng có thể nghiên cứu hành vi của từng cổ phần hoặc địa chỉ cụ thể để hiểu rõ hơn về những gì đang diễn ra.

Trong hệ sinh thái mã thông báo, việc quan sát hành vi của các địa chỉ cụ thể có thể cung cấp thông tin quan trọng về tính thanh khoản của mã thông báo. Ví dụ: khi mã thông báo được gửi từ hợp đồng đặt cược đến một địa chỉ cụ thể, có thể hiểu người nhận đang làm gì với những mã thông báo đó. Họ có chọn tái đầu tư các mã thông báo đó, gửi chúng trở lại hợp đồng đặt cược một lần nữa, bán chúng hay triển khai chúng ở nơi khác không? Đây là những phần thông tin chính cần phân tích để hiểu hành vi của từng bên liên quan và chúng tôi có thể cung cấp lại dữ liệu này cho các mô hình của mình, giúp tinh chỉnh các mô hình.

Mô hình này cho phép phân tích hành vi của người nhận mã thông báo không chỉ cho các địa chỉ riêng lẻ mà còn cho các nhóm đại diện của các bên liên quan tổng hợp. Ví dụ: chúng tôi có thể phân tích nhiều dự án mã thông báo như Maple, Goldfinch và TrueFi và nhận thấy rằng khoảng 38% mã thông báo được gửi lại hợp đồng cam kết sau giao dịch đầu tiên sau khi nhận được thông qua hợp đồng cam kết. Con số này so với khoảng 8% đối với các sàn giao dịch tập trung và khoảng 14% đối với các sàn giao dịch phi tập trung. Bằng cách xem xét việc phân bổ các nhóm mã thông báo tại một thời điểm nhất định trên QTM, có thể hiểu được nguồn cung cấp mã thông báo đang lưu hành. Các giá trị này có thể được áp dụng cho các tham số của chúng tôi để có cái nhìn đầu tiên về cách hệ sinh thái hoạt động.

Sử dụng những dữ liệu này, chúng tôi có thể đưa ra dự đoán, chẳng hạn như dự báo nguồn cung cân bằng của các nhóm khác nhau trong hệ sinh thái trong mười năm tới hoặc lâu hơn, bao gồm quỹ, nhóm, phân phối cam kết, nguồn cung lưu thông tổng thể và nhóm thanh khoản. Đồng thời, cũng có thể thực hiện mô phỏng hoặc dự báo giá. Điều quan trọng cần nhấn mạnh là những dự báo này không nhằm mục đích đầu cơ hoặc tư vấn tài chính, mà giúp chúng tôi hiểu mối quan hệ giữa phân bổ nguồn cung và nhu cầu mã thông báo, và do đó, sự cân bằng của hai yếu tố này.

Ngoài ra, các khía cạnh khác có thể được phân tích, chẳng hạn như phân phối các phần tiện ích khác nhau. Ví dụ: chúng ta có thể hiểu có bao nhiêu mã thông báo được đặt cọc, bao nhiêu mã được sử dụng cho chương trình khuyến khích khai thác thanh khoản hoặc bao nhiêu mã thông báo bị đốt cháy nếu có cơ chế đốt cháy. Chúng ta cũng có thể xem phần thưởng tiện ích hàng tháng để xem những ưu đãi đó đáng giá bao nhiêu nếu tính bằng đô la nếu mã thông báo có thể được chi tiêu trong cửa hàng hoặc ở nơi khác. Điều quan trọng là phải hiểu cách sử dụng chung của mã thông báo, đặc biệt là xem xét yếu tố chi phí khi khuyến khích hệ sinh thái.

Mô hình dựa trên dữ liệu

Một chủ đề khác là những cách suy nghĩ mới về kế hoạch trao quyền. Đôi khi mọi người nghĩ rằng chỉ cần các kế hoạch đầu tư dài hạn, nhưng điều này không phải lúc nào cũng tốt, vì điều đó có nghĩa là nguồn cung trong lưu thông ban đầu rất thấp, dẫn đến đầu cơ và khả năng thổi phồng thị trường. Do đó, chúng tôi đề xuất giới thiệu cơ chế phân bổ mã thông báo áp dụng các điều chỉnh, không phụ thuộc vào nhu cầu thị trường. Nói cách khác, không cần thiết phải dự đoán nhu cầu của hệ sinh thái, vì việc phát hành phân bổ sẽ được kiểm soát bởi bộ điều khiển theo một số chỉ số hiệu suất chính được xác định trước. Các KPI này có thể bao gồm TVL, khối lượng giao dịch, mức độ chấp nhận của người dùng, lợi nhuận kinh doanh, v.v. Trong ví dụ này, giá của mã thông báo được sử dụng đơn giản.

Trong hệ sinh thái mã thông báo, mối quan hệ giữa phân bổ và giá có thể được hiểu bằng cách phân tích các trường hợp mã thông báo thực. Ví dụ: trong năm đầu tiên của hệ sinh thái, một lượng lớn nguồn cung được đưa vào thị trường thông qua trao quyền, nhưng vì sản phẩm có thể chưa đủ trưởng thành nên nhu cầu thị trường có thể không đủ và việc áp dụng có thể không lớn, dẫn đến giá của mã thông báo để thả. Tình huống này có thể được mô phỏng bằng một mô hình (ví dụ: QTM), từ đó có thể quan sát thấy hành vi tương tự: trong giai đoạn đầu, giá của mã thông báo có thể giảm do nguồn cung lớn tham gia thị trường. Sau đó, theo thời gian, khi việc áp dụng thay đổi, người dùng bắt đầu tham gia và mang lại doanh thu, việc mua lại có thể được thực hiện và giá cuối cùng sẽ phục hồi.

Trong mô hình, ba kịch bản nhu cầu khác nhau có thể được mô phỏng: chức năng logistic, chức năng tuyến tính và tăng trưởng theo cấp số nhân. Về cơ bản, bộ điều khiển quản lý các lượng khí thải khác nhau tại các thời điểm khác nhau và bạn có thể thấy rằng đối với từng kịch bản tăng trưởng và nhu cầu khác nhau, thì tại các thời điểm khác nhau, bộ điều khiển sẽ quản lý các lượng khí thải khác nhau.

Khi giá mã thông báo tăng lên, nhiều mã thông báo hơn sẽ được phát hành vào hệ sinh thái, điều này có thể khiến các nhà đầu tư ban đầu bán mã thông báo, do đó sẽ khiến giá giảm xuống. Ngược lại, khi giá thấp hơn giá đặt trước, việc phát hành mã thông báo sẽ bị giảm. Tuy nhiên, việc phát hành mã thông báo sẽ không giảm xuống 0, vì chúng tôi cần đảm bảo rằng tất cả các nhà đầu tư ban đầu cuối cùng sẽ nhận được phần chia sẻ công bằng của họ. Với cơ chế kiểm soát này, giá của mã thông báo sẽ tăng trở lại, cuối cùng làm giảm sự biến động và ổn định hệ sinh thái.

Giá là một chỉ số rất quan trọng trong hệ sinh thái. Sẽ rất tệ cho hệ sinh thái nếu giá mã thông báo giảm mạnh 90% trong một năm. Mặc dù chúng tôi biết rằng chúng tôi không thể dự đoán chính xác tương lai, nhưng ít nhất chúng tôi nên xem xét khía cạnh nhu cầu và cố gắng mô hình hóa và dự báo nó. Điều này không có nghĩa là theo đuổi một kết quả nhất định hoặc một giá trị cụ thể, mà là khám phá toàn bộ không gian giải pháp có sẵn thông qua mô phỏng Monte Carlo và quét tham số. Làm như vậy có thể giúp chúng tôi hiểu các khả năng trong các tình huống khác nhau và phát triển các chiến lược toàn diện và linh hoạt hơn.

Hơn nữa, chúng ta có thể gán các trọng số khác nhau cho các thuộc tính này. Ví dụ: trong giai đoạn đầu, các ưu đãi của hệ sinh thái có thể nhận được nhiều phân bổ trao tặng mã thông báo hơn, trong khi các nhóm có thể nhận được một phần nhỏ hơn. Tuy nhiên, tình hình có thể thay đổi theo thời gian vì chúng tôi không muốn chỉ dựa vào việc trao tặng mã thông báo để thúc đẩy sự phát triển của hệ sinh thái, chúng tôi muốn thiết lập một mô hình tăng trưởng bền vững.

Video gốc: